In [3]:
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
# Rango de número de clusters a probar
range_clusters = range(1, 11)
# Lista para almacenar la suma de los cuadrados dentro del grupo para cada número de clusters
wcss = []
# Calculando WCSS para cada número de clusters
for k in range_clusters:
kmeans = KMeans(n_clusters=k, init='k-means++', n_init=10, random_state=42)
kmeans.fit(data_clustering)
wcss.append(kmeans.inertia_)
# Gráfico del método del codo
plt.figure(figsize=(10, 6))
plt.plot(range_clusters, wcss, marker='o', linestyle='-', color='b')
plt.title('El Método del Codo para Determinar el Número Óptimo de Clusters')
plt.xlabel('Número de clusters')
plt.ylabel('WCSS')
plt.xticks(range_clusters)
plt.grid(True)
plt.show()
